อาจารย์ AI กำลังปรับตัวกับโลกวิจัยที่ถูกครอบงำโดยบริษัทเทคโนโลยี

บรรยากาศของงานรวมตัวนักวิจัยในโครงการ AI2050 ของ Schmidt Sciences สะท้อนชัดว่าโลกวิจัย AI ในมหาวิทยาลัยกำลังเปลี่ยนไปมากในช่วงไม่กี่ปีที่ผ่านมา จากเดิมที่สถาบันการศึกษามีบทบาทนำ สู่ยุคที่ขอบเขตล้ำหน้าของ AI ถูกขับเคลื่อนโดยบริษัทเอกชนอย่าง OpenAI, Anthropic และ Google มากขึ้นเรื่อย ๆ นักวิจัยมหาวิทยาลัยจำนวนมากจึงต้องทำงานภายใต้ข้อจำกัดทั้งด้านงบประมาณ ทรัพยากรคอมพิวต์ และการเข้าถึงรายละเอียดภายในของโมเดลชั้นนำ

หนึ่งในประเด็นใหญ่คือค่าใช้จ่ายสูงของการทำวิจัยกับโมเดลขนาดใหญ่ ไม่ว่าจะเป็นการซื้อ GPU เพื่อรันโมเดลเอง หรือการเรียกใช้งานโมเดลเชิงพาณิชย์ซ้ำ ๆ เพื่อทดสอบอย่างเป็นระบบ ซึ่งล้วนมีต้นทุนสูงจนเกินกำลังของห้องแล็บมหาวิทยาลัยหลายแห่ง แม้โครงการ AI2050 จะมีเงินสนับสนุนบางส่วน แต่ผู้ร่วมโครงการจำนวนมากก็ยังมองว่าเงินทุนวิจัยเป็นข้อจำกัดสำคัญ โดยเฉพาะในช่วงที่งบวิทยาศาสตร์ภาครัฐของสหรัฐฯ ถูกบีบลง

นักวิชาการหลายคนจึงเลือกหันไปทำโจทย์ที่บริษัทเทคโนโลยีไม่น่าจะสนใจ หรือไม่เหมาะจะทำเพราะกระทบภาพลักษณ์ของผลิตภัณฑ์ เช่น งานศึกษาพฤติกรรมของโมเดลเมื่อป้อนคำสั่งที่เขียนในรูปแบบที่ผู้หญิงใช้บ่อยกว่าผู้ชาย ซึ่งพบว่าโมเดลภาษาให้คำตอบที่ด้อยกว่าในบางกรณี ลักษณะงานแบบนี้สะท้อนบทบาทสำคัญของนักวิจัยมหาวิทยาลัยในการตั้งคำถามที่บริษัทอาจไม่มีแรงจูงใจจะสำรวจด้วยตัวเอง

อีกกลุ่มหนึ่งของนักวิจัย AI ไม่ได้ทำงานกับ LLM เลย แต่พัฒนาโมเดลเฉพาะทางเพื่อวิเคราะห์ข้อมูล ทำนายผล หรือจำลองระบบทางกายภาพ เช่น งานด้านวิทยาศาสตร์สภาพภูมิอากาศหรือชีววิทยา อย่างไรก็ตาม กลุ่มนี้ต้องเผชิญปัญหาอีกแบบ คือกระแสสังคมที่มักนิยามคำว่า AI ให้หมายถึงแค่ LLM ขนาดใหญ่ที่ใช้พลังงานสูง ทำให้ผลงาน AI แบบอื่นถูกมองข้ามและยากต่อการอธิบายคุณค่า

ความเปลี่ยนแปลงในแวดวงนี้ยังทำให้เกิดแรงดึงดูดระหว่างมหาวิทยาลัยกับห้องแล็บเอกชน นักวิชาการชื่อดังบางคนลาหยุดไปทำงานกับบริษัทชั้นนำ ขณะที่นักวิจัยบางส่วนทำงานทั้งในสถาบันและอุตสาหกรรมควบคู่กัน นอกจากนี้ ยังมีความกังวลใหม่ว่าระบบ AI อาจเริ่มแก้โจทย์คณิตศาสตร์วิจัยบางประเภทได้เอง ซึ่งทำให้เกิดคำถามว่าอนาคตของนักคณิตศาสตร์ในงานเชิงทฤษฎีจะเป็นอย่างไร แม้บางคนจะมองว่านี่อาจกระทบสุขภาพจิตของนักวิจัยในสายนี้ด้วย

อย่างไรก็ดี บทความชี้ว่ามุมมองไม่ได้มืดมนทั้งหมด เพราะงานวิทยาศาสตร์เชิงทดลองยังมีข้อจำกัดจากการเก็บข้อมูลที่ช้าและซับซ้อน จึงอาจยากต่อการอัตโนมัติเท่างานคณิตศาสตร์ ขณะเดียวกัน AI ที่เก่งขึ้นอาจกลายเป็นเครื่องมือเสริมประสิทธิภาพให้มนุษย์ ไม่ใช่ตัวแทนที่เข้ามาแทนที่ทั้งหมด นักวิจัยบางคนเชื่อว่าแรงกดดันด้านทรัพยากรอาจยิ่งผลักดันให้เกิดแนวทางใหม่ ๆ ในการทำโมเดลให้เล็กลง เร็วขึ้น และประหยัดขึ้น และไม่แน่ว่าความก้าวหน้าครั้งใหญ่ครั้งต่อไปอาจมาจากห้องแล็บมหาวิทยาลัยที่คล่องตัวมากกว่าบริษัทเทคโนโลยีขนาดใหญ่ก็ได้